CN114118604A - 一种基于机器学习的渡船穿越航道行为预测方法和系统 - Google Patents
一种基于机器学习的渡船穿越航道行为预测方法和系统 Download PDFInfo
- Publication number
- CN114118604A CN114118604A CN202111462360.XA CN202111462360A CN114118604A CN 114118604 A CN114118604 A CN 114118604A CN 202111462360 A CN202111462360 A CN 202111462360A CN 114118604 A CN114118604 A CN 114118604A
- Authority
- CN
- China
- Prior art keywords
- ferry
- machine learning
- meeting
- model
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 30
- QZXCCPZJCKEPSA-UHFFFAOYSA-N chlorfenac Chemical compound OC(=O)CC1=C(Cl)C=CC(Cl)=C1Cl QZXCCPZJCKEPSA-UHFFFAOYSA-N 0.000 claims abstract description 26
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于机器学习的渡船穿越航道行为预测方法，包括如下步骤：获取预定渡口之间的AIS数据，对AIS数据进行预处理，进而计算得到DCPA和TCPA；通过设定DCPA和TCPA阈值α和β，筛选得到渡船与目标船舶的会遇场景；基于会遇场景的数据特征进行相关性分析，得到筛选特征；建立机器学习模型，并使用筛选特征进行训练；评价训练后的机器学习模型，得到渡船穿越行为预测模型，预测模型用于渡船穿越航道行为预测。本申请简化了渡船运动状态分析过程，选择一种较优的模型实现对渡船穿越行为的预测，保证了预测的准确性。
Description
技术领域
本申请属于海事风险及路径规划技术领域，具体涉及一种基于机器学习的渡船穿越航道行为预测方法和系统。
背景技术
目前对渡船穿越行为、碰撞风险及路径规划的研究较少，主要集中在区域风险量化，历史数据分析等方面，对渡船路径规划的研究仍停留在借鉴普通船舶层面。渡船具有航行起始点固定，等级低，面临避碰环境复杂等特点，如何在保证安全的基础上，根据目标船舶的航行状态，预测渡船的穿越行为就显得尤为重要。
发明内容
本申请提出了一种基于机器学习的渡船穿越航道行为预测方法和系统，根据渡船及目标船的航行状态，预测渡船穿越行为。
为实现上述目的，本申请提供了如下方案：
一种基于机器学习的渡船穿越航道行为预测方法，包括如下步骤：
获取预定渡口之间的AIS数据，对所述AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA；
通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β，筛选得到渡船与目标船舶的会遇场景；
基于所述会遇场景的数据特征进行相关性分析，得到筛选特征；
建立机器学习模型，并使用所述筛选特征进行训练；
评价训练后的所述机器学习模型，得到渡船穿越行为预测模型，所述预测模型用于渡船穿越航道行为预测。
可选的，所述AIS数据包括渡船和目标船舶的经度、纬度、航速、航向、船舶类型、船长、船宽和MMSI。
可选的，对所述AIS数据进行预处理的方法包括：
删除所述AIS数据中的异常数据，和对所述AIS数据中的缺失数据补充差值。
可选的，计算得到所述最近会遇距离DCPA和所述最小会遇时间TCPA的方法包括：
基于预处理后的所述AIS数据，计算相对距离Dr、相对航向Cr、相对方位Cb和相对速度Vr；
所述最近会遇距离DCPA和所述最小会遇时间TCPA的计算方法为：
DCPA＝Drsin(Cr-Cb-π)
TCPA＝Drcos(Cr-Cb-π)/Vr。
可选的，根据渡口附近交通流量情况、目标船舶及渡船动静态信息确定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β。
可选的，得到所述筛选特征的方法包括：
将渡船穿越航道过程中，与其他船舶会遇的问题转化为二分类问题，建立零号标签和一号标签，所述零号标签表示渡船从目标船船头通过，所述一号标签表示渡船从目标船的船尾通过；
根据会遇场景数据，并将所述零号标签和所述一号标签作为输入特征进行相关性分析，得到所述筛选特征。
可选的，使用逻辑回归、Xgboost、神经网络、随机森林建立所述机器学习模型。
可选的，评价训练后的所述机器学习模型的方法包括：
计算混淆矩阵中TN、TP、FP、FN,其中，TN为渡船从目标船船尾通过，且模型认为渡船从目标船船尾通过的数量；TP为渡船从目标船船头通过，且模型认为渡船从目标船船头通过的数量；FP为渡船从目标船船尾通过，但模型认为渡船从目标船船头通过的数量；FN为渡船从目标船船头通过，但模型认为渡船从目标船船尾通过的数量；
根据所述TN、所述TP、所述FP和所述FN，计算precision、recall、f1、accuracy,
使用所述TN、所述TP、所述FP、所述FN、所述precision、所述recall、所述f1和所述accuracy评价训练后的所述机器学习模型。
为实现上述目的，本申请还公开了一种基于机器学习的渡船穿越航道行为预测系统，包括初期数据模块、会遇场景模块、相关性分析模块、学习模型模块和预测模块；
所述初期数据模块用于获取特定渡口之间的AIS数据，并对所述AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA；
所述会遇场景模块用于通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β，筛选得到渡船与目标船舶的会遇场景；
所述相关性分析模块用于基于所述会遇场景的数据特征进行相关性分析，得到筛选特征；
所述学习模型模块用于建立机器学习模型，并使用所述筛选特征对所述机器学习模型进行训练；
所述预测模块用于评价训练后的所述机器学习模型，得到渡船穿越行为预测模型，所述预测模型用于对渡船穿越航道行为进行预测。
可选的，所述学习模型模块使用逻辑回归、Xgboost、神经网络、随机森林建立并训练所述机器学习模型。
本申请的有益效果为：
本申请公开了一种基于机器学习的渡船穿越航道行为预测方法和系统，将渡船穿越航道行为问题转换为从目标船的船头通过或者船尾通过的二分类问题，简化了渡船运动状态分析过程；引入多种机器学习模型，将处理后的特征输入到模型中，并对最终四种机器学习模型的效果进行评估，选择一种较优的模型实现对渡船穿越行为的预测，保证了预测的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一的一种基于机器学习的渡船穿越航道行为预测方法流程示意图；
图2为本申请实施例一中的特征相关性分析图；
图3为本申请实施例二的一种基于机器学习的渡船穿越航道行为预测系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本申请实施例一的一种基于机器学习的渡船穿越航道行为预测方法流程示意图，主要包括以下步骤：
一、获取预定渡口之间的AIS数据，对所述AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA。
在本实施例中，AIS数据内容包括渡船和目标船舶的经度、纬度、航速、航向、船舶类型、船长、船宽、MMSI信息等。接着对获取的数据进行预处理，包括删除异常数据，缺失数据补充插值等。然后计算相对距离Dr、相对航向Cr、相对方位Cb和相对速度Vr、最近会遇距离DCPA和最小会遇时间TCPA。其中相对距离、相对航向、相对方位、相对速度由渡船与目标船数据直接进行标量或者矢量计算，最近会遇距离DCPA和最小会遇时间TCPA计算如下：
DCPA＝Drsin(Cr-Cb-π)
TCPA＝Drcos(Cr-Cb-π)/Vr。
二、筛选历史会遇场景，通过设定所述最近会遇距离DCPA和所述最小会遇时间TCPA阈值α和β，筛选得到渡船与目标船舶的会遇场景。在本实施例中，根据渡口附近交通流量情况、目标船舶及渡船动静态信息确定α为300米，β为120秒。
三、特征识别与相关性分析，基于所述会遇场景的数据特征进行相关性分析，得到筛选特征。
在本实施例中，将渡船穿越航道过程中，与其他船舶会遇的问题转化为二分类问题，建立零号标签和一号标签，其中，零号标签表示渡船从目标船船头通过，标记为“0”，一号标签表示渡船从目标船的船尾通过，标记为“1”。根据会遇场景数据，确定将渡船和目标船舶的经度、纬度、航速、航向、船舶类型、船长、船宽、相对距离Dr、相对航向Cr、相对方位Cb和相对速度Vr、最近会遇距离DCPA和最小会遇时间TCPA作为输入特征，如表1所示，并对这些输入特征进行相关性分析，如图2所示。
表1
四、建立机器学习模型，并使用所述筛选特征进行训练。
在本实施例中，选取逻辑回归、Xgboost、神经网络、随机森林四种机器学习方法分别进行训练。
五、评价训练后的所述机器学习模型，得到渡船穿越行为预测模型，所述预测模型用于渡船穿越航道行为预测。
在本实施例中，TN、TP、FP、FN,其中，TN为渡船从目标船船尾通过，且模型认为渡船从目标船船尾通过的数量；TP为渡船从目标船船头通过，且模型认为渡船从目标船船头通过的数量；FP为渡船从目标船船尾通过，但模型认为渡船从目标船船头通过的数量；FN为渡船从目标船船头通过，但模型认为渡船从目标船船尾通过的数量；
根据这四个指标计算precision、recall、f1、accuracy，
使用上述参数评价训练后的机器学习模型，确定用于渡船穿越行为预测的模型，该模型用于渡船穿越航道行为预测。表2为四种机器学习模型评价分析。
表2
实施例二
如图3所示，为本申请实施例二的一种基于机器学习的渡船穿越航道行为预测系统结构示意图，包括初期数据模块、会遇场景模块、相关性分析模块、学习模型模块和预测模块。
初期数据模块用于获取特定渡口之间的AIS数据，并对AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA；
会遇场景模块用于通过设定最近会遇距离DCPA和最小会遇时间TCPA阈值α和β，筛选得到渡船与目标船舶的会遇场景；
相关性分析模块用于基于会遇场景的数据特征进行相关性分析，得到筛选特征；
学习模型模块用于建立机器学习模型，并使用筛选特征对机器学习模型进行训练，在本实施例中个，使用逻辑回归、Xgboost、神经网络、随机森林建立并训练机器学习模型。
预测模块用于评价训练后的机器学习模型，得到渡船穿越行为预测模型，预测模型用于对渡船穿越航道行为进行预测。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (10)
1.一种基于机器学习的渡船穿越航道行为预测方法，其特征在于，包括如下步骤：
获取预定渡口之间的AIS数据，对所述AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA；
通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β，筛选得到渡船与目标船舶的会遇场景；
基于所述会遇场景的数据特征进行相关性分析，得到筛选特征；
建立机器学习模型，并使用所述筛选特征进行训练；
评价训练后的所述机器学习模型，得到渡船穿越行为预测模型，所述预测模型用于渡船穿越航道行为预测。
2.根据权利要求1所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，所述AIS数据包括渡船和目标船舶的经度、纬度、航速、航向、船舶类型、船长、船宽和MMSI。
3.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，对所述AIS数据进行预处理的方法包括：
删除所述AIS数据中的异常数据，和对所述AIS数据中的缺失数据补充差值。
4.根据权利要求3所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，计算得到所述最近会遇距离DCPA和所述最小会遇时间TCPA的方法包括：
基于预处理后的所述AIS数据，计算相对距离Dr、相对航向Cr、相对方位Cb和相对速度Vr；
所述最近会遇距离DCPA和所述最小会遇时间TCPA的计算方法为：
DCPA＝Drsin(Cr-Cb-π)
TCPA＝Drcos(Cr-Cb-π)/Vr。
5.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，根据渡口附近交通流量情况、目标船舶及渡船动静态信息确定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β。
6.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，得到所述筛选特征的方法包括：
将渡船穿越航道过程中，与其他船舶会遇的问题转化为二分类问题，建立零号标签和一号标签，所述零号标签表示渡船从目标船船头通过，所述一号标签表示渡船从目标船的船尾通过；
根据会遇场景数据，并将所述零号标签和所述一号标签作为输入特征进行相关性分析，得到所述筛选特征。
7.根据权利要求6所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，使用逻辑回归、Xgboost、神经网络、随机森林建立所述机器学习模型。
8.根据权利要求2所述的基于机器学习的渡船穿越航道行为预测方法，其特征在于，评价训练后的所述机器学习模型的方法包括：
计算混淆矩阵中TN、TP、FP、FN,其中，TN为渡船从目标船船尾通过，且模型认为渡船从目标船船尾通过的数量；TP为渡船从目标船船头通过，且模型认为渡船从目标船船头通过的数量；FP为渡船从目标船船尾通过，但模型认为渡船从目标船船头通过的数量；FN为渡船从目标船船头通过，但模型认为渡船从目标船船尾通过的数量；
根据所述TN、所述TP、所述FP和所述FN，计算precision、recall、f1、accuracy,
使用所述TN、所述TP、所述FP、所述FN、所述precision、所述recall、所述f1和所述accuracy评价训练后的所述机器学习模型。
9.一种基于机器学习的渡船穿越航道行为预测系统，其特征在于，包括初期数据模块、会遇场景模块、相关性分析模块、学习模型模块和预测模块；
所述初期数据模块用于获取特定渡口之间的AIS数据，并对所述AIS数据进行预处理，进而计算得到最近会遇距离DCPA和最小会遇时间TCPA；
所述会遇场景模块用于通过设定所述最近会遇距离DCPA的阈值α和所述最小会遇时间TCPA的阈值β，筛选得到渡船与目标船舶的会遇场景；
所述相关性分析模块用于基于所述会遇场景的数据特征进行相关性分析，得到筛选特征；
所述学习模型模块用于建立机器学习模型，并使用所述筛选特征对所述机器学习模型进行训练；
所述预测模块用于评价训练后的所述机器学习模型，得到渡船穿越行为预测模型，所述预测模型用于对渡船穿越航道行为进行预测。
10.根据权利要求9所述的基于机器学习的渡船穿越航道行为预测系统，其特征在于，所述学习模型模块使用逻辑回归、Xgboost、神经网络、随机森林建立并训练所述机器学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111462360.XA CN114118604B (zh) | 2021-12-02 | 2021-12-02 | 一种基于机器学习的渡船穿越航道行为预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111462360.XA CN114118604B (zh) | 2021-12-02 | 2021-12-02 | 一种基于机器学习的渡船穿越航道行为预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114118604A true CN114118604A (zh) | 2022-03-01 |
| CN114118604B CN114118604B (zh) | 2024-05-28 |
Family
ID=80365980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111462360.XA Active CN114118604B (zh) | 2021-12-02 | 2021-12-02 | 一种基于机器学习的渡船穿越航道行为预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118604B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3633318A1 (en) * | 2018-10-05 | 2020-04-08 | Offshore Navigation Limited | An apparatus for determining an optimal route of a maritime ship |
| CN111738500A (zh) * | 2020-06-11 | 2020-10-02 | 大连海事大学 | 一种基于深度学习的航行时间预测方法及装置 |
| KR102241882B1 (ko) * | 2020-10-27 | 2021-04-19 | 한국해양과학기술원 | 해상교통관제사 에이전트 생성 방법 |
| CN112967527A (zh) * | 2021-02-05 | 2021-06-15 | 武汉理工大学 | 一种渡船碰撞风险评估方法、系统、装置及介质 |
| CN113096446A (zh) * | 2021-03-30 | 2021-07-09 | 武汉理工大学 | 混合航行场景下的多船避碰决策方法、存储介质及处理器 |
| CN113138554A (zh) * | 2021-04-06 | 2021-07-20 | 武汉理工大学 | 一种混合交通场景下的多船分布式协同控制方法 |
-
2021
- 2021-12-02 CN CN202111462360.XA patent/CN114118604B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3633318A1 (en) * | 2018-10-05 | 2020-04-08 | Offshore Navigation Limited | An apparatus for determining an optimal route of a maritime ship |
| CN111738500A (zh) * | 2020-06-11 | 2020-10-02 | 大连海事大学 | 一种基于深度学习的航行时间预测方法及装置 |
| KR102241882B1 (ko) * | 2020-10-27 | 2021-04-19 | 한국해양과학기술원 | 해상교통관제사 에이전트 생성 방법 |
| CN112967527A (zh) * | 2021-02-05 | 2021-06-15 | 武汉理工大学 | 一种渡船碰撞风险评估方法、系统、装置及介质 |
| CN113096446A (zh) * | 2021-03-30 | 2021-07-09 | 武汉理工大学 | 混合航行场景下的多船避碰决策方法、存储介质及处理器 |
| CN113138554A (zh) * | 2021-04-06 | 2021-07-20 | 武汉理工大学 | 一种混合交通场景下的多船分布式协同控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| O. UGURLU等: "Simulation modelling of chief officers working hours on short sea shipping", 《SHIPS AND OFFSHORE STRUCTURES》, 31 December 2021 (2021-12-31) * |
| 孙志宏;索永峰;杨神化;刘武艺;: "基于遗传算法的渡船横渡航法寻优模型", 中国航海, no. 02, 25 June 2020 (2020-06-25) * |
| 高大为等: "基于AIS数据的船舶航迹多维预测方法", 《中国航海》, vol. 44, no. 03, 31 December 2021 (2021-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114118604B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3537317B1 (en) | System and method for determination of air entrapment in ladles | |
| CN110322731B (zh) | 一种船舶会遇助航预警方法 | |
| Zhang et al. | A machine learning method for the prediction of ship motion trajectories in real operational conditions | |
| KR101951142B1 (ko) | 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템 | |
| CN112132346A (zh) | 一种基于船舶类型的船舶航行轨迹预测方法 | |
| CN111738500B (zh) | 一种基于深度学习的航行时间预测方法及装置 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN113156947A (zh) | 一种船舶在动态环境下的路径规划的方法 | |
| CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| CN113128826B (zh) | 通航风险预测方法、装置和存储介质 | |
| CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
| CN111694913A (zh) | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 | |
| CN113837461A (zh) | 一种基于lstm网络的船舶轨迹预测方法 | |
| CN116429118B (zh) | 一种基于物联网的渔船安全生产监管方法及系统 | |
| CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
| CN113887789A (zh) | 一种基于循环神经网络的改进船舶轨迹预测方法及其装置 | |
| CN113160279A (zh) | 一种地铁环境中行人异常行为检测方法及装置 | |
| CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
| CN114118604A (zh) | 一种基于机器学习的渡船穿越航道行为预测方法和系统 | |
| US20230314144A1 (en) | System and method for estimating drift path of marine floating body | |
| CN114595770B (zh) | 一种船舶轨迹的长时序预测方法 | |
| CN114565176A (zh) | 一种长期船舶轨迹预测方法 | |
| Lee et al. | Application of machine learning for prediction of wave-induced ship motion | |
| EP4336407A1 (en) | Method for uncertainty estimation in object detection models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |